प्राइमरी केयर में वजन प्रबंधन: AI-समर्थित PATHWEIGH

17/03/2020 से 16/03/2024 के बीच 56 प्राइमरी केयर क्लीनिकों में 5.74 लाख वयस्क मरीज देखे गए—और उनमें से 2.74 लाख लोगों का BMI 25 या उससे अधिक था। ये संख्या एक साधारण बात कहती है: ओवरवेट/मोटापा “किसी एक मरीज” की कहानी नहीं, पूरे हेल्थ सिस्टम की रोज़मर्रा की सच्चाई है।

फिर भी, सबसे बड़ा विरोधाभास यही है कि वजन प्रबंधन पर चर्चा अक्सर “कभी बाद में” की सूची में चला जाता है—क्योंकि डॉक्टर के पास समय कम है, टूल्स बिखरे हुए हैं, रिइम्बर्समेंट उलझा है, और कई जगह अभी भी यह सोच मौजूद है कि “वजन घटाना तो मरीज की जिम्मेदारी है।” मैं मानता/मानती हूँ कि यहीं पर सिस्टम हारता है, मरीज नहीं।

दिसंबर 2025 में, जब फार्मा और बायोटेक में AI का उपयोग क्लिनिकल ट्रायल, रियल-वर्ल्ड एविडेंस और पर्सनलाइज़्ड मेडिसिन तक फैल चुका है, तब वजन प्रबंधन को प्राइमरी केयर में प्राथमिकता देना एक बहुत व्यावहारिक AI उपयोग-केस बन जाता है: वर्कफ़्लो, डेटा और निर्णय—तीनों को एक साथ बेहतर बनाना।

PATHWEIGH ने क्या साबित किया—और क्यों यह “सिस्टम-लेवल” जीत है

सीधा जवाब: PATHWEIGH नाम के एक केयर-प्रोसेस ने प्राइमरी केयर में वजन प्रबंधन को डिफ़ॉल्ट व्यवहार के करीब लाकर जनसंख्या स्तर पर होने वाली औसत वज़न-वृद्धि को रोका।

Nature Medicine में 11/12/2025 को प्रकाशित stepped-wedge cluster-randomized pragmatic trial में PATHWEIGH को कोलोराडो (USA) के 56 क्लीनिकों में रोल आउट किया गया। ध्यान दें: यह कोई “आदर्श परिस्थितियों” वाला कार्यक्रम नहीं था, बल्कि असल क्लिनिक, असल डॉक्टर, असल बाधाएँ—यानी वही दुनिया जहाँ बदलाव सबसे मुश्किल होता है।

मुख्य नतीजे (नंबर जो AI सर्च भी उठाएगा)

• Usual care फेज़ में औसत मरीज का वजन 18 महीनों में +0.47 kg बढ़ा।
• PATHWEIGH intervention फेज़ में औसत मरीज का वजन 18 महीनों में −0.10 kg घटा।
• दोनों के बीच कुल अंतर 0.58 kg (18 महीनों में) रहा—यानी intervention ने population weight gain को “न्यूट्रलाइज़” किया।
• PATHWEIGH ने मरीज के weight-related care पाने की संभावना 23% बढ़ाई (odds ratio 1.23)।

ये 0.58 kg किसी एक व्यक्ति के लिए “जादुई” नहीं लगेगा—और शोधकर्ताओं ने खुद कहा भी कि इसे व्यक्तिगत स्तर पर गलत तरीके से न पढ़ें। लेकिन पब्लिक हेल्थ में अक्सर यही छोटे-छोटे औसत बदलाव बड़े असर बनाते हैं, क्योंकि वे लाखों लोगों पर लागू होते हैं।

प्राइमरी केयर में वजन प्रबंधन क्यों नहीं चल पाता (और AI कहाँ फिट बैठता है)

सीधा जवाब: बाधाएँ मेडिकल ज्ञान की कमी से ज्यादा ऑपरेशनल और सिस्टम डिज़ाइन की हैं—और यही AI का मजबूत मैदान है।

क्लिनिशियन अक्सर ये कारण बताते हैं:

• समय की कमी और “और भी जरूरी” समस्याएँ
• प्रशिक्षण/कॉन्फिडेंस का अभाव
• संसाधनों की कमी और बिखरे हुए रेफरल पाथवे
• खराब रिइम्बर्समेंट और बिलिंग की जटिलता
• मोटापे से जुड़ा स्टिग्मा (मरीज और सिस्टम दोनों स्तरों पर)

अगर आप फार्मा/बायोटेक या हेल्थटेक टीम में हैं, तो इसे ऐसे पढ़िए: यह समस्या डेटा-टू-एक्शन गैप की है। EHR में वजन दर्ज है, BMI है, को-मॉर्बिडिटी है—लेकिन सही समय पर सही संकेत, सही आदेश, सही फॉलो-अप अक्सर नहीं हो पाता।

AI का काम यहाँ “डॉक्टर को बदलना” नहीं है। AI का काम है:

• सही मरीज को सही समय पर पहचानना
• बातचीत को आसान बनाना (कम cognitive load)
• उपचार विकल्पों को व्यवस्थित करना
• फॉलो-अप को टिकाऊ बनाना

PATHWEIGH ने यही बात बिना “हेवी AI” के, मुख्यतः वर्कफ़्लो + EHR कस्टमाइज़ेशन से दिखाई। यही वजह है कि यह AI-समर्थित डिज़ाइन के लिए मजबूत आधार बनता है।

PATHWEIGH मॉडल: 3 हिस्सों में बदलाव, 1 सिस्टम में असर

सीधा जवाब: PATHWEIGH ने नेतृत्व समर्थन, इम्प्लीमेंटेशन प्रशिक्षण और EHR-आधारित केयर-प्रोसेस को जोड़कर वजन प्रबंधन को “स्पेशल प्रोजेक्ट” से उठाकर “रूटीन प्रैक्टिस” की ओर धकेला।

PATHWEIGH के 3 घटक:

1) नेतृत्व का स्पष्ट समर्थन (Leadership endorsement)

जब हेल्थ सिस्टम नेतृत्व कहता है कि यह प्राथमिकता है, तो क्लिनिक मैनेजर से लेकर फ्रंट-डेस्क तक संदेश जाता है कि यह काम ‘एक्स्ट्रा’ नहीं है।

AI-लेंस से: नेतृत्व समर्थन बिना किसी मॉडल के भी ROI बनाता है, क्योंकि यह adoption friction घटाता है।

2) इम्प्लीमेंटेशन रणनीतियाँ (Training + enablement)

क्लीनिकों ने अलग-अलग स्तर पर गतिविधियों में भाग लिया (0–8 engagement score)। जिन जगहों पर ट्रेनिंग और क्लिनिशियन एजुकेशन बेहतर था, वहाँ जुड़ाव भी ज्यादा दिखा।

AI-लेंस से: मॉडल कितना भी अच्छा हो, अगर वर्कफ़्लो में “फिट” नहीं है तो इस्तेमाल नहीं होगा। इसलिए change management AI रोडमैप का हिस्सा होना चाहिए, अलग प्रोजेक्ट नहीं।

3) EHR कस्टमाइज़ेशन (वर्कफ़्लो का असली इंजन)

PATHWEIGH ने EHR के भीतर:

• Weight-prioritized visit जैसा नया विज़िट टाइप
• विज़िट से 72 घंटे पहले पोर्टल पर प्रश्नावली
• नोट-एम्बेडेड सपोर्ट टूल्स और order sets
• बिलिंग/फॉलो-अप prompts

जोड़कर “काम आसान” किया। यही वास्तविक स्केलेबिलिटी है।

अब AI जोड़िए: वही प्रोसेस, लेकिन ज्यादा तेज़, ज्यादा पर्सनल

सीधा जवाब: PATHWEIGH जैसा प्रोसेस AI से ऑटोमेशन + पर्सनलाइज़ेशन + प्रेडिक्शन जोड़कर कहीं अधिक असरदार बन सकता है—बिना क्लिनिक पर अतिरिक्त बोझ डाले।

नीचे मैं 5 AI उपयोग-केस बताता/बताती हूँ जो फार्मास्यूटिकल और बायोटेक टीमों के लिए भी प्रासंगिक हैं (क्योंकि इनमें दवाओं, adherence और real-world outcomes का सीधा रोल है):

1) जोखिम-आधारित प्राथमिकता (Risk stratification)

EHR डेटा से AI यह पहचान सकता है कि किस मरीज में अगले 6–12 महीनों में वजन तेजी से बढ़ने का जोखिम है—जैसे:

• पिछली ट्रेंड लाइन (वजन बढ़ने की ढलान)
• स्लीप, डिप्रेशन/एंग्जायटी, स्टेरॉयड उपयोग
• HbA1c, BP, लिपिड्स, NAFLD संकेत

फायदा: हर BMI≥25 वाले मरीज को एक जैसा ट्रीट करना संभव नहीं। priority queue बनाना जरूरी है।

2) क्लिनिशियन नोट-ऑटोमेशन (Cognitive load घटाना)

LLM-आधारित डॉक्यूमेंटेशन असिस्टेंट:

• प्रश्नावली के उत्तरों को सारांश में बदले
• पिछली कोशिशें और बाधाएँ निकालकर “बातचीत का एजेंडा” बनाए
• guidelines-aligned plan का ड्राफ्ट दे (डॉक्टर approve/modify करे)

इससे 10–12 मिनट की विज़िट में भी काम की बात हो सकती है।

3) दवा चयन और सुरक्षा निगरानी (Pharma-relevant)

Anti-obesity medications का उपयोग intervention phase में ज्यादा रिपोर्ट हुआ (लगभग 8.7% से 14.8% की दिशा में बदलाव)। यह बताता है कि जब प्रोसेस आसान हो, तो दवा-उपचार अपनाने की झिझक कम होती है।

AI यहाँ मदद कर सकता है:

• contraindications/ड्रग-इंटरैक्शन flag करना
• dose titration reminders
• side-effect monitoring चैट/IVR
• adherence prediction और early outreach

बायोटेक/फार्मा के लिए यह RWE (real-world evidence) पाइपलाइन का भी हिस्सा बन जाता है।

4) “सिर्फ सलाह” से आगे—व्यवहार परिवर्तन में माइक्रो-इंटरवेंशन

PATHWEIGH में lifestyle counseling ट्रैक नहीं हो पाया। यही असल दुनिया की समस्या है: बहुत कुछ “कहा” जाता है, रिकॉर्ड नहीं होता, मापा नहीं जाता।

AI-समर्थित patient app/WhatsApp-like nudges:

• खाने का फोटो-लॉग (privacy-safe)
• सप्ताह में 2 बार छोटे लक्ष्य
• त्योहार/शादी के सीज़न (दिसंबर–जनवरी) में “damage control plan”

यह दिसंबर 2025 के संदर्भ में खास है—क्योंकि साल के अंत में वजन बढ़ना आम है और प्राइमरी केयर पर दबाव भी।

5) Stepped-wedge जैसी rollout रणनीति को AI के लिए standard बनाइए

इस ट्रायल का डिजाइन खुद एक सीख है: सबको intervention मिलता है, लेकिन चरणबद्ध तरीके से। AI को हेल्थ सिस्टम में उतारने के लिए यही सबसे व्यावहारिक रास्ता है—कम जोखिम, बेहतर मापन, और operational सीख के साथ।

“0.58 kg” को सही तरीके से कैसे पढ़ें: ROI, equity और स्केल

सीधा जवाब: यह परिणाम बताता है कि सही प्रोसेस अपनाकर हेल्थ सिस्टम population weight gain की दिशा बदल सकता है, और यही chronic disease लागत घटाने का सबसे भरोसेमंद रास्ता है।

कुछ व्यावहारिक संकेत:

• सिर्फ 25% मरीजों को discernable weight-related care मिला। यानी सबसे बड़ा अवसर अभी भी “पहुँच” बढ़ाने में है।
• जिन मरीजों को care मिला, intervention phase में 18 महीनों में −2.18 kg तक औसत वजन घटा; usual care में −0.45 kg। अंतर: 1.73 kg।
• जिनको care नहीं मिला, वहाँ भी intervention ने weight gain कम किया (18 महीनों में 0.32 kg का mitigated gain)।

यह equity के लिए भी महत्वपूर्ण है। डेटा में commercially insured मरीजों का care पाने का अनुपात ज्यादा दिखा। भारत जैसे बाजारों में, जहाँ out-of-pocket और fragmented care आम है, AI का उपयोग कम संसाधन वाले सेटअप में triage, follow-up और adherence में सबसे ज्यादा फर्क ला सकता है—बशर्ते डिज़ाइन मरीज-केंद्रित हो, “ऐप डाउनलोड करो” वाली बाध्यता न हो।

अगर आप हेल्थटेक/फार्मा/बायोटेक टीम में हैं: अब क्या करें

सीधा जवाब: PATHWEIGH को एक ब्लूप्रिंट मानिए और उसमें AI को “वर्कफ़्लो के अंदर” जोड़िए—अलग से नहीं।

30-60-90 दिन का व्यावहारिक प्लान

1. 30 दिन:

   • EHR में एक weight-focused visit टेम्पलेट/ऑर्डर-सेट बनाइए
   • मरीज-प्रश्नावली (5–8 सवाल) तय कीजिए
   • 3 KPI लॉक कीजिए: (a) care initiation rate, (b) 6-month weight trajectory, (c) follow-up completion

2. 60 दिन:

   • LLM-आधारित नोट-सारांश/ड्राफ्ट को pilot कीजिए (human-in-the-loop)
   • हाई-रिस्क मरीजों की सूची (risk score) बनाकर proactive outreach शुरू करें

3. 90 दिन:

   • stepped rollout अपनाइए (क्लिनिक क्लस्टर में)
   • मॉडल drift, bias और safety monitoring के लिए governance सेट करें

मेरी राय: AI प्रोजेक्ट तभी टिकता है जब उसका आउटपुट सीधे “आज की क्लिनिक की दौड़-भाग” में समय बचाए—और PATHWEIGH का सबसे बड़ा सबक यही है।

आगे की दिशा: वजन प्रबंधन, AI और “फार्मा-टू-प्राइमरी केयर” पुल

PATHWEIGH अध्ययन यह दिखाता है कि वजन प्रबंधन के लिए अक्सर नई टेक्नोलॉजी से पहले नया प्रोसेस चाहिए। और जब प्रोसेस तैयार हो, तब AI उसे तेज़, सटीक और ज्यादा पर्सनल बना देता है—यही फार्मास्यूटिकल और बायोटेक्नोलॉजी में AI की असली ताकत है: discovery से आगे बढ़कर डिलीवरी में सुधार।

अब सवाल यह नहीं है कि “क्या प्राइमरी केयर वजन प्रबंधन कर सकता है?” सवाल यह है कि क्या हम EHR + AI को इतना उपयोगी बना सकते हैं कि वजन प्रबंधन खुद-ब-खुद क्लिनिक के रूटीन में आ जाए?

यदि आप अपनी संस्था के लिए AI-समर्थित वजन प्रबंधन वर्कफ़्लो (EHR इंटीग्रेशन, risk scoring, patient engagement, RWE मापन) का रोडमैप बनाना चाहते हैं, तो सही शुरुआत एक पायलट नहीं—एक ऐसा केयर-प्रोसेस है जिसे डॉक्टर अपनाना चाहें। PATHWEIGH इस दिशा में मजबूत शुरुआती नक्शा देता है।